在經濟、社會、環(huán)境可持續(xù)發(fā)展的進程中,人們的生活水平和生活質量有了很大的提高,要求擁有與之相適應的良好的空氣質量,以保障人體健康和生態(tài)健康。研究大氣環(huán)境中的源受體關系、確定影響空氣質量的重點污染源,是空氣質量管理的關鍵。由于空氣質量的影響因素具有動態(tài)性、復雜性和可變性的特點,而局地空氣質量(受體)受到地理因素、氣象因素和經濟因素(源點)等綜合作用和耦合影響,其演變規(guī)律呈現多變性、波動性和非線性特點。如何有效表征空氣質量特征的時空動態(tài)關聯關系,定量分析源點對受體空氣質量的貢獻率,從而有效預測受體的空氣質量具有重要意義。本文提出了一種基于神經網絡的空氣質量源受體建模分析方法,充分考慮空間上各源點與受體之間的關聯關系,以及時間上歷史濃度的影響,更加準確、穩(wěn)定地分析預測空氣質量演變趨勢。首先,研究影響源受體空氣質量狀況的影響因子。從空間和時間兩個維度進行分析,空間關聯因子定義為各源點的氣象因素和污染物濃度,時間關聯因子定義為受體的歷史污染物濃度。在兼顧空氣質量時間相關性與空間相關性的基礎上提出空氣質量源受體模型的構建方法。其次,分析源受體空氣質量時空特征的動態(tài)關聯和約束關系。定性分析各源點與受體之間的影響因子,并采用數值擬合的方法進行相關性分析,結合灰色關聯分析有效表征源與受體間的貢獻率。再次,提出基于神經網絡的源受體分析預測模型。將監(jiān)測站點空氣質量抽象為網絡節(jié)點,在空間相關性的基礎上提出BP神經網絡的預測方法,在時間相關性的基礎上提出LSTM的預測方法。實現基于神經網絡的源受體空氣質量特征映射。最后,對模型進行訓練和調整,在充分考慮空氣質量的影響因素后通過模型預測未來一天受體的空氣質量指數,并對實驗結果進行分析對比。
【學位單位】：燕山大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：X51;TP183
【部分圖文】：

背景及研究意義日益加重，引起世界各國越來越多的關注和重視。隨之而來的是工業(yè)化水平的日益昌盛�？諝赓|量的以及身體健康[1]等，為保證人們的正常生活，國家空氣質量是一個亟待解決的問題。國的首都，人口眾多，高度密集的化工廠和建筑群。根據資料顯示，北京空氣質量狀況并不理想，并。隨后，國家發(fā)布相關法律制度(《大氣國十條》)為：到 2017 年，空氣污染狀況有所緩解，全國大下降 10%以上，優(yōu)良天數逐漸提高。截至到現在，完成“大氣十條”中制定的目標仍有很大差距，其中可吸入顆粒同比 NO2的濃度還要高出 5%，PM2.5 所示。

背景及研究意義日益加重，引起世界各國越來越多的關注和重視。隨之而來的是工業(yè)化水平的日益昌盛�？諝赓|量的以及身體健康[1]等，為保證人們的正常生活，國家空氣質量是一個亟待解決的問題。國的首都，人口眾多，高度密集的化工廠和建筑群。根據資料顯示，北京空氣質量狀況并不理想，并。隨后，國家發(fā)布相關法律制度(《大氣國十條》)為：到 2017 年，空氣污染狀況有所緩解，全國大下降 10%以上，優(yōu)良天數逐漸提高。截至到現在，完成“大氣十條”中制定的目標仍有很大差距，其中可吸入顆粒同比 NO2的濃度還要高出 5%，PM2.5 所示。

第 2 章 空氣質量源受體建模依據第 2 章 空氣質量源受體建模依據概念氣質量源受體質量源受體關系是一個簡易、靈活、快速的空氣質量模型，利之間的緊密關系。此外，空氣質量源受體解析技術的出現可以方法去定量分析空氣中的各種污染物的來源，并具體量化各污實現源與受體之間映射關系的橋梁，是治理和預防大氣污染的雜的課題。源受體模型如圖 2-1 所示。
【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經網絡拐點預測法[J];金融經濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經網絡大會述評[J];國際學術動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經網絡的地質災害監(jiān)測預警仿真[J];計算機仿真;2019年11期

4 馬猛;王明紅;;基于進化神經網絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

5 莊連生;呂揚;楊健;李厚強;;時頻聯合長時循環(huán)神經網絡[J];計算機研究與發(fā)展;2019年12期

6 李杰;孫仁誠;;幾種典型卷積神經網絡的權重分析與研究[J];青島大學學報(自然科學版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經網絡異纖分揀機檢測參數優(yōu)化[J];棉紡織技術;2020年01期

8 趙偉榮;李慧;;基于集成神經網絡的織物主觀風格預測研究[J];紡織科技進展;2020年01期

9 李金堂;;試析神經網絡技術在機械工程中的應用及發(fā)展[J];網絡安全技術與應用;2020年02期

10 吳立可;;脈沖神經網絡和行為識別[J];通訊世界;2018年12期

相關博士學位論文 前10條

1 洪慶輝;憶阻神經網絡的全電路設計及其應用[D];華中科技大學;2019年

2 田樹耀;基于多尺度變分算法及深度卷積神經網絡的圖像壓縮感知重建[D];燕山大學;2019年

3 孫詩昭;深度學習中深度問題與大模型問題的研究[D];南開大學;2018年

4 肖理業(yè);基于機器學習的電磁場建模與設計研究[D];電子科技大學;2019年

5 陳涵瀛;核電站熱工水力系統(tǒng)工況預測與診斷方法研究[D];哈爾濱工程大學;2018年

6 梁智杰;聾啞人手語識別關鍵技術研究[D];華中師范大學;2019年

7 劉昂;微結構硅基光子學器件性能的研究[D];南京大學;2019年

8 趙博雅;基于卷積神經網絡的硬件加速器設計及實現研究[D];哈爾濱工業(yè)大學;2018年

9 杜昌順;面向細分領域的輿情情感分析關鍵技術研究[D];北京交通大學;2019年

10 陳科海;機器翻譯上下文表示方法研究[D];哈爾濱工業(yè)大學;2019年

相關碩士學位論文 前10條

1 程都;基于神經網絡的航空發(fā)動機模型自適應修正[D];大連理工大學;2019年

2 池學敏;基于神經網絡的中錳鋼伺服拉伸性能研究預測[D];大連理工大學;2019年

3 杜巧林;基于深度學習的虛假評論檢測[D];山東科技大學;2018年

4 顧旸鋮;視頻中人物特征提取及檢測算法研究[D];上海交通大學;2017年

5 郭旭;基于深度神經網絡的推薦系統(tǒng)研究[D];黑龍江大學;2019年

6 王丹蕾;基于BP神經網絡的產品成本核算及預測[D];北京理工大學;2017年

7 李茹;基于深度神經網絡的水利泵站工控安全研究[D];江蘇科技大學;2019年

8 馮凱;基于RBF神經網絡的煉化項目投資綜合效益評價[D];大連理工大學;2019年

9 宋世杰;基于主分量加權SOM神經網絡礦井水水源判別研究[D];山東科技大學;2018年

10 熊一點;基于深度學習的有色纖維配色算法研究[D];東華大學;2019年

本文編號：2886670